当前位置: 首页 > news >正文

动手学深度学习笔记04(上)

04数据操作

import torch

(1)张量表示一个数据组成的数组,这个数组可能有多个维度。

x=torch.arange(12)
x
tensor([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

(2)通过shape来访问张量的形状和张量中元素的总数

x.shape
torch.Size([12])

(3)number of elements表示内存的大小

x.numel()
12

(4)要改变一个张量的形状而不改变元素数量和元素值,我们要调用reshape函数

x=x.reshape(3,4)
x
tensor([[ 0,  1,  2,  3],[ 4,  5,  6,  7],[ 8,  9, 10, 11]])

(5)使用全0、全1、其他常量或者从特定分布中随机采样的数字

torch.zeros((2,3,4))
tensor([[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]],[[0., 0., 0., 0.],[0., 0., 0., 0.],[0., 0., 0., 0.]]])
torch.ones((2,3,4))
tensor([[[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]],[[1., 1., 1., 1.],[1., 1., 1., 1.],[1., 1., 1., 1.]]])

(6)通过提供包含数值的Python列表或者嵌套列表来为所需张量中的每个元素赋予确定值

torch.tensor([[2,1,4,3],[1,2,3,4],[4,3,2,1]])
tensor([[2, 1, 4, 3],[1, 2, 3, 4],[4, 3, 2, 1]])

(7)创建元素进行相应的运算

x=torch.tensor([1.0,2,4,8])
y=torch.tensor([2,2,2,2])
x+y,x-y,x*y,x/y,x**y
(tensor([ 3.,  4.,  6., 10.]),tensor([-1.,  0.,  2.,  6.]),tensor([ 2.,  4.,  8., 16.]),tensor([0.5000, 1.0000, 2.0000, 4.0000]),tensor([ 1.,  4., 16., 64.]))
torch.exp(x)  #指数运算
tensor([2.7183e+00, 7.3891e+00, 5.4598e+01, 2.9810e+03])

(8)我们这里把多个张量连结在一起

X=torch.arange(12,dtype=torch.float32).reshape((3,4))
Y=torch.tensor([[2.0,1,4,3],[1,2,3,4],[4,3,2,1]])
torch.cat((X,Y),dim=0),torch.cat((X,Y),dim=1)   #dim=0表示按行连接;dim=1表示按列连接
(tensor([[ 0.,  1.,  2.,  3.],[ 4.,  5.,  6.,  7.],[ 8.,  9., 10., 11.],[ 2.,  1.,  4.,  3.],[ 1.,  2.,  3.,  4.],[ 4.,  3.,  2.,  1.]]),tensor([[ 0.,  1.,  2.,  3.,  2.,  1.,  4.,  3.],[ 4.,  5.,  6.,  7.,  1.,  2.,  3.,  4.],[ 8.,  9., 10., 11.,  4.,  3.,  2.,  1.]]))

(9)通过逻辑运算符构建二元张量

X==Y
tensor([[False,  True, False,  True],[False, False, False, False],[False, False, False, False]])

对只有两种所有元素求和会产生一个只有一个元素的张量

X.sum()
tensor(66.)

(10)即使形状不同,我们可以调用广播机制来执行按元素操作

a=torch.arange(3).reshape((3,1))
b=torch.arange(2).reshape((1,2))
a,b
(tensor([[0],[1],[2]]),tensor([[0, 1]]))
a + b  #这里广播机制将a变成三行两列的部分,第一列加0;第二列加1
tensor([[0, 1],[1, 2],[2, 3]])

(11)选用元素,其中-1用于选用最后一个元素,[1:3]用于选用第二个和第三个元素

X[-1],X[1:3]
(tensor([ 8.,  9., 10., 11.]),tensor([[ 4.,  5.,  6.,  7.],[ 8.,  9., 10., 11.]]))

(12)索引元素进行修改

X[1,2]=9
X
tensor([[ 0.,  1.,  2.,  3.],[ 4.,  5.,  9.,  7.],[ 8.,  9., 10., 11.]])

(13)对多个元素进行相应的赋值

X[0:2,:]=12
X
tensor([[12., 12., 12., 12.],[12., 12., 12., 12.],[ 8.,  9., 10., 11.]])

(14)运行一些操作可能会导致为新结果分配内存

before=id(Y)
Y=Y+X
id(Y)==before
False
#执行原地操作
Z=torch.zeros_like(Y)#类型一样但全0
print('id(Z):',id(Z))
Z[:]=X+Y
print('id(Z):',id(Z))
id(Z): 2415349231888
id(Z): 2415349231888
#在后续计算中没有重复使用X,可以减少操作的内存开销
before=id(X)
X+=Y  #or X[:]=X+Y
id(X)==before
True

(15)转换为NUMPY张量

A=X.numpy()
B=torch.tensor(A)
type(A),type(B)
(numpy.ndarray, torch.Tensor)

将大小为1的张量转换为Python标量

a=torch.tensor([3.5])
a,a.item(),float(a),int(a)
(tensor([3.5000]), 3.5, 3.5, 3)
http://www.lryc.cn/news/601410.html

相关文章:

  • 物联网发展:从概念到应用的演变历程
  • Sql server开挂的OPENJSON
  • haproxy七层代理(知识点+相关实验部署)
  • C++算法竞赛篇(六)一维数组题型讲解
  • Rust实战:高效开发技巧
  • 【Java实例】服务器IP一站式管理
  • Rust Web 全栈开发(十二):构建 WebAssembly 应用
  • day69—动态规划—爬楼梯(LeetCode-70)
  • LeetCode 923.多重三数之和
  • PMO如何赋能AI产品项目治理和价值交付︱商汤绝影PMO总监陈福龙
  • 0-1BFS(双端队列,洛谷P4667 [BalticOI 2011] Switch the Lamp On 电路维修 (Day1)题解)
  • 【C++】论如何封装红黑树模拟实现set和map
  • Java全栈面试实战:从JVM到AI的技术演进之路
  • JavaScript手录07-数组
  • LangChain实现RAG
  • JavaSE-String类
  • Rust赋能智能土木工程革新
  • 【奔跑吧!Linux 内核(第二版)】第5章:内核模块
  • 栈----4.每日温度
  • 2.qt调试日志输出
  • 多智能体系统设计:协作、竞争与涌现行为
  • Day4.AndroidAudio初始化
  • bash的特性-常用的通配符
  • bash的特性-命令和文件自动补全
  • C++ 多线程(一)
  • 第六章 JavaScript 互操(2).NET调用JS
  • ios UIAppearance 协议
  • 「iOS」————消息传递和消息转发
  • 携带参数的表单文件上传 axios, SpringBoot
  • 深度解读Go 变量指针